模式识别与人工智能
2025年4月4日 星期五   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2023, Vol. 36 Issue (7): 613-633    DOI: 10.16451/j.cnki.issn1003-6059.202307004
综述与评论 最新目录| 下期目录| 过刊浏览| 高级检索 |
图像分布外检测研究综述
郭凌云1,2,3, 李国和1,2, 龚匡丰1,2, 薛占熬3
1.中国石油大学(北京) 信息科学与工程学院 北京 102249;
2.中国石油大学(北京) 石油数据挖掘北京市重点实验室 北京 102249;
3.河南师范大学 计算机与信息工程学院 新乡 453007
Research on Image Out-of-Distribution Detection: A Review
GUO Lingyun1,2,3, LI Guohe1,2, GONG Kuangfeng1,2, XUE Zhan'ao3
1. College of Information Science and Engineering, China University of Petroleum, Beijing 102249;
2. Beijing Key Laboratory of Petroleum Data Mining, China University of Petroleum, Beijing 102249;
3. College of Computer and Information Engineering, Henan Normal University, Xinxiang 453007

全文: PDF (1067 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 分类器学习一般假设训练样本和预测样本具有独立同分布.由于该条件过强,实践中当分类器面向分布外(Out-of-Distribution, OOD)样本时容易导致预测错误.因此,对OOD检测进行深入研究就显得尤为重要.文中首先介绍OOD检测的概念及其相关研究领域,根据网络训练方式的差异性对有监督的检测方法、半监督的检测方法、无监督的检测方法和异常值暴露的检测方法进行系统概述.然后按照关键技术从神经网络分类器、度量学习和深度生成模型三方面总结现有OOD检测方法.最后讨论OOD检测未来的研究方向.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
郭凌云
李国和
龚匡丰
薛占熬
关键词 机器学习深度学习分布外(OOD)检测图像识别    
Abstract:Classifier learning assumes that the training data and the testing data are independent and identically distributed. Due to the overly stringent assumption, erroneous sample recognition of classifiers for out-of-distribution examples is often caused. Therefore, thorough research on out-of-distribution(OOD) detection becomes paramount. Firstly, the definition of OOD detection and the relevant research are introduced. A comprehensive overview of supervised detection methods, semi-supervised detection methods, unsupervised detection methods and outlier exposure detection methods is provided according to the difference of network training methods. Then, the existing OOD detection methods are summarized from the aspect of three key technologies: neural network classifiers, metric learning and deep generative models. Finally, research trends of OOD detection are discussed.
Key wordsMachine Learning    Deep Learning    Out-of-Distribution(OOD) Detection    Image Recognition   
收稿日期: 2023-06-13     
ZTFLH: TP391  
基金资助:克拉玛依科技计划项目(No.2020CGZH0009)、中国石油大学(北京)克拉玛依校区科研基金项目(No.RCYJ2016B-03-001)资助
通讯作者: 郭凌云,博士研究生,讲师,主要研究方向为计算机视觉、异常检测、地震数据优化与识别.E-mail:yuqian127@126.com.   
作者简介: 李国和,博士,教授,主要研究方向为人工智能、机器学习等.E-mail:lgh102200@163.com. 龚匡丰,博士研究生,主要研究方向为机器学习、数据挖掘.E-mail:fjgongkf@126.com. 薛占熬,博士,教授,主要研究方向为人工智能、数据挖掘等.E-mail:xuezhanao@163.com.
引用本文:   
郭凌云, 李国和, 龚匡丰, 薛占熬. 图像分布外检测研究综述[J]. 模式识别与人工智能, 2023, 36(7): 613-633. GUO Lingyun, LI Guohe, GONG Kuangfeng, XUE Zhan'ao. Research on Image Out-of-Distribution Detection: A Review. Pattern Recognition and Artificial Intelligence, 2023, 36(7): 613-633.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.202307004      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2023/V36/I7/613
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn